SNV预处理可能是第二个最散射校正的应用方法NIR / NIT数据[13]。在本文中，规范化(也称为对象明智的标准化)的光谱将检查在同一个小节由于明显的相似性两个原则。SNV的基本格式和正常化修正与传统MSC：
图9加权乘法散射校正，基于迭代重量的决心。绿线显示了最终的权向量(任意规模的贡献)。
Xcorr?Xorg?a0a1（8）
对于SNV，a0是平均值的样品光谱需要修正的同时，为标准化，a0设置等于零。对于SNV，a1是标准偏差的样品光谱。
图11演示了SNV校正的果胶的数据集。对于正常化，不同的向量规范可以用于比例因子a1，最常见的是总金额的绝对值的元素的向量(城市街区或出租车规范)或的平方根之和的平方元素(欧几里得的规范)。其他选项，有时也用正最大吸光度变量和正常化向着单一选定波长。这两个最后选项应该小心使用，因为他们可以有不良影响后续分析在例嘈杂的数据。
图12显示了效果。欧几里得的正常化，迄今为止最常用的正常化，果胶的数据集。 这个信号校正背后的概念SNV和标准化是相同的MSC除了常见的参考信号不是必需的。相反，每个观察自己处理，孤立于剩下的设置。缺乏需要一个共同的参考可能是一个实际的优势。
因为SNV和归一化不涉及一个最小二乘方拟合在他们的参数估计，他们可以敏感嘈杂的条目谱。相反，使用平均值和标准偏差作为校正参数，有人可能会考虑使用更健壮的等价物这些统计的时刻。郭et al。[17]建议使用中等或意味着内部的四分位范围和标准偏差的内
部四分位数估计为a0，a1，分别命名为“方法”健壮的正常变量”。这将是特别合适的情况下光谱很模糊(如。在超快的在线近红外光谱的应用程序，在强劲的措施将会更受散射噪声(例如，波长选择性反射颗粒的液体流)]。鲁棒估计的影响他们演示郭et al。[17]对于模拟和实际数据。
正如已经讨论了Dhanoa et al。[18]，有一个明显的相似性SNV和MSC。这种关系可以通过以下简单的近似提出：
Xmsc?XSNV?sX?X（9）
其中：sX一般的标准偏差的光谱，X大意味着在所有的光谱，都发现了从原始/未修正的光谱(参见图13)。
图10呆头呆脑的乘法散射校正与一个一阶参考校正。绿线显示了最终的，差别开始参考光谱(任意规模的贡献)。
图11标准正态变量修正光谱
图12欧几里得规范归一化光谱
图1 3 标准正态变量之间的关系和乘法散射校正。蓝色的和红色的线条代表的趋势线估计在图4。
作为方程(9)表明，MSCandSNV相似到简单的旋转和抵消校正。对于本文中使用果胶数据，相关的SNV预处理数据(图11)和基本MSC修正数据(图5)是0.9995后意味着中心。换句话说，MSC和SNV是相同的对于大多数实际应用。 4. 导数光谱
衍生品有能力清除两个添加剂和乘法效应在光谱和已经被用于分析光谱学了几十年。这个概念表明在无花果。14对于一个简单的高斯峰添加了基线和基线加上乘法效应。第一个衍生品只删除基线;二阶导数删除两个基线和线性趋势。在本文中，我们将讨论两种不同的方法：SG和西北。两个派生技术使用平滑为了不降低信噪比的修正光谱太多。
最基本的方法，推导是有限的差异：一阶导数是估计为区别两个后续光谱测量分;二阶导数是然后估计通过计算连续两个点之间的区别的一阶导数光谱：
xi'?xi?xi?1（10）
xi''?xi'?xi?1'?xi?1?2?xi?xi?1（11）
4.1诺里斯威廉姆斯推导
西北推导是一个基本的方法，以避免噪音通胀开发在有限的差异。这种技术是在1983年提出诺里斯[19]和阐述了通过诺里斯和威廉姆斯在1984年[20]作为一种方法来计算导数近红外/ NIT光谱。西北派生包含两个步骤(见图15)： 1. 平滑的光谱，平均在一个给定的点的数量是执行：
xsmooth,1??mj??mxo?g,i?12m?1（12）